[发明专利]一种最近邻搜索方法、装置、终端和存储介质

权利要求书

1.一种最近邻搜索方法，其特征在于，包括：

将参考对象的参考高维特征输入特征压缩网络中，得到由所述特征压缩网络输出的参考低维特征，所述特征压缩网络的损失函数为基于样本对象的高维近邻关系和所述样本对象的低维近邻关系得到的函数；

利用所述参考低维特征建立低维近邻图；

获取目标对象的目标特征；

基于所述低维近邻图与所述目标特征进行最近邻搜索，得到与所述目标对象距离最近的参考对象。

2.如权利要求1所述的最近邻搜索方法，其特征在于，所述高维近邻关系为多个所述样本对象中每两个样本对象分别关联的样本高维特征之间的高维欧氏距离，所述低维近邻关系为多个所述样本对象中每两个样本对象分别关联的样本低维特征之间的低维欧氏距离；

所述特征压缩网络的损失函数为基于所述高维欧氏距离和与所述高维欧氏距离对应的低维欧氏距离之间的误差值，以及与所述高维欧氏距离关联的权重值得到的函数，其中，所述权重值的取值和与其关联的高维欧氏距离的大小相关。

3.如权利要求2所述的最近邻搜索方法，其特征在于，所述损失函数的损失值的计算过程，包括：

计算所述高维欧氏距离和与所述高维欧氏距离对应的低维欧氏距离之间的误差值；

计算与所述高维欧氏距离关联的权重值，并利用每个所述权重值对每个所述误差值进行加权相加，得到累加值；

将所述累加值和所述样本对象的总数量的平方值相除，得到所述损失函数的损失值。

4.如权利要求2或3所述的最近邻搜索方法，其特征在于，所述权重值的计算过程，包括：

获取第一超参数和第二超参数，其中，所述第一超参数大于所述第二超参数；

计算各个所述高维欧氏距离的平均值；

计算所述高维欧氏距离和所述平均值之商的自然对数值的相反数；

确定所述相反数和所述第二超参数之间的最大值，并将所述第一超参数和所述最大值之间的最小值作为与所述高维欧氏距离关联的权重值。

5.如权利要求1至3任意一项所述的最近邻搜索方法，其特征在于，所述特征压缩网络包括压缩模块、投影模块以及全局优化模块，所述压缩模块包括第一线性映射模块、第二线性映射模块以及特征压缩模块；

所述将参考对象的参考高维特征输入特征压缩网络中，得到由所述特征压缩网络输出的参考低维特征，包括：

将所述参考高维特征输入至所述特征压缩模块、所述第一线性映射模块和所述投影模块，得到由所述特征压缩模块输出的第一特征、由所述第一线性映射模块输出的第二特征，以及由所述投影模块输出的至少一个第三特征，其中，所述第一特征、所述第二特征和每个所述第三特征的维度与所述参考低维特征的维度相同；

将所述第一特征、所述第二特征和所述至少一个第三特征输入至所述全局优化模块，得到由所述全局优化模块输出的第四特征和至少一个第五特征；

将所述第四特征和所述至少一个第五特征输入至所述压缩模块，得到由所述压缩模块输出的所述参考低维特征。

6.如权利要求5所述的最近邻搜索方法，其特征在于，所述全局优化模块包括至少一个编码器；

所述将所述第一特征、所述第二特征和所述至少一个第三特征输入至所述全局优化模块，得到由所述全局优化模块输出的第四特征和至少一个第五特征，包括：

将所述第一特征和所述至少一个第三特征组成第一向量，并将所述第一向量输入所述至少一个编码器中的第一个编码器，得到由所述第一个编码器基于多注意力头机制和线性映射层输出的第二向量，其中，所述第二向量包括与所述第一特征对应的第六特征，以及与所述至少一个第三特征一一对应的至少一个第七特征；

将所述第二向量中所述第一特征对应的第六特征与所述第二特征相加，得到第八特征；

将所述第二向量中的所述第六特征替换为所述第八特征，得到第三向量；

将所述第三向量输入至所述至少一个编码器中的第二个编码器，以此类推，直至得到由所述至少一个编码器的最后一个编码器输出的目标向量，所述目标向量包括所述第四特征和所述至少一个第五特征。